چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008135 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
pdf+word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
انتخاب پویای سرویسهای ابری، با استفاده از مکانیسم یادگیری انطباقی در رایانش ابری چندگانه
عنوان انگليسي
Dynamic cloud service selection using an adaptive learning mechanism in multi-cloud computing
نویسنده/ناشر/نام مجله
Elsevier, Journal of Systems and Software
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 16 صفحه انگلیسی به صورت پی دی اف و 42 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
امروزه فرآیند انتخاب سرویس ابری در یک محیط رایانش ابری چندگانه مورد توجه گسترده‌ای قرار گرفته است. با توجه به ازدیاد منابع سرویس ابری، کاربران در انتخاب سرویس‌هایی برتر برای اپلیکیشن های خود و مخصوصاً برای اپلیکیشن های آنلاین بلادرنگ در یک محیط ابری چندگانه‌ی متغیر با سختی‌هایی روبرو می‌باشند. به منظور کمک به کاربران در انتخاب سرویسهای ابری مطلوب، یک مدل انتخاب سرویس ابری که از کارگزارهای خدمات ابری استفاده می‌کند ارائه گردیده است و بر مبنای این مدل، یک استراتژی انتخاب سرویس ابری پویا تحت عنوان DCS نیز ارائه گردیده است. در فرآیند انتخاب سرویس‌ها، هر کارگذار خدمات سرویس ابری اقدام به مدیریت سرویسهای ابری خوشه‌بندی‌شده نموده و استراتژی DCS را که هسته‌ی آن متشکل از یک مکانیسم یادگیری تطبیقی می‌باشد و شامل توابع فراموشی و فرسایش می‌باشد را اجرا می‌کند. این مکانیسم به شکلی پویا به بهینه‌سازی انتخاب سرویس ابری پرداخته و بهترین نتیجه‌ی حاصله را برای کاربر باز می‌گرداند. به طور متناظر، مجموعه‌ای از الگوریتم‌های انتخاب سرویس ابری پویا نیز به منظور پیاده‌سازی مکانیسم ما ارائه گردیده است. نتایج آزمایش شبیه‌سازی نشان می‌دهد که استراتژی ما دارای کارائی و بهره‌وری کلی بهتری در بکار گیری راه‌حل‌های سرویس با کیفیت بالا و آنهم با هزینه‌ی محاسباتی پایین در مقایسه با روش‌های موجود می‌باشد.
1-مقدمه
سرویس ابری، تشریح کننده‌ی مجموعه‌ی رایانشی مختلفی از توانایی اجرای اپلیکیشن های کاربران بر روی سیستم‌ها یا پلت فرم‌های سازمانی چندگانه بر روی اینترنت می‌باشد. در کسب‌وکارهای رایانش ابری، انواع مختلفی از سرویسهای ابری وجود دارد که می‌توان به سرویس‌هایی همچون ذخیره‌سازی، رایانش و اپلیکیشن اشاره کرد که امروزه بسیاری از سرویس‌دهندگان ابری آنها را ارائه می‌دهند: پلت فرم ابری GoGrid(2013)، پلت فرم S3 شرکت آمازون، موتور اپلیکیشن گوگل (2013)، ویندوز آزرو (2013) و Saleforce-Cloud(2013). کاربران با استفاده از الگویی از سرویسهای ابری ترکیبی که اقدام به ادغام سرویسهای ابری محلی با سرویسهای ابری عمومی می‌کند اقدام به ایجاد اپلیکیشن های خود می‌کنند؛ به عنوان مثال، ما اپلیکیشن اشتراک‌گذاری تصویر اختصاصی خودمان را ایجاد کردیم که در آن، ماژولی از ورودی تصویر را توسعه دادیم و به دنبال آن، نرم‌افزاری را از روی همان سرویس‌دهنده‌ی برای ویراستاری آنلاین تصویر انتخاب کردیم. در نهایت، یک سرویس ذخیره‌سازی ابری را برای ذخیره سای تعداد قابل ملاحظه‌ای از تصاویر در داخل یک دیسک ابری که از بین چندین انتخاب ابری برگزیده شده بود ذخیره کردیم تا اپلیکیشن خود را ادغام سازیم. با توجه به افزایش رو به رشد نیازمندی‌ها و تقاضاهای کاربران، همان‌طور که این مثال اثبات می‌کند، سرویسهای زیادی را می‌توان از طریق فراخوانی واسط در اینترنت به دست آورد و می‌توان آن را در سرویسهای ابری مشترکی توسعه داد، بدین معنا که سرویسهای ابری را می‌توان به عنوان نوعی از سرویسهای وب در یک محیط ابری در نظر گرفت. با توجه به افزایش نیازمندی‌های کاربران برای سرویسهای ابری و کیفیت مختلف سرویسهای ابری اعم از کارائی (تعداد پردازنده‌ها یا ظرفیت ذخیره‌سازی) و قیمت که سرویس‌دهندگان بی‌شمار ارائه می‌دهند، جای شگفتی ندارد که کاربران با خیال راحت اپلیکیشن های خود را بر روی این سرویس‌ها اجرا کنند. بنابراین چگونگی انتخاب مناسب‌ترین سرویس‌ها برای اجرای اپلیکیشن های مختلف و آنلاین کاربران به امری مهم مبدل گردیده است…
انتخاب پویای سرویس ابری کارگذار خدمات ابری مکانیسم یادگیری تطبیقی
:کلمات کلیدی
Abstract
Cloud service selection in a multi-cloud computing environment is receiving more and more attentions. There is an abundance of emerging cloud service resources that makes it hard for users to select the better services for their applications in a changing multi-cloud environment, especially for online real time applications. To assist users to efficiently select their preferred cloud services, a cloud service selection model adopting the cloud service brokers is given, and based on this model, a dynamic cloud service selection strategy named DCS is put forward. In the process of selecting services, each cloud service broker manages some clustered cloud services, and performs the DCS strategy whose core is an adaptive learning mechanism that comprises the incentive, forgetting and degenerate functions. The mechanism is devised to dynamically optimize the cloud service selection and to return the best service result to the user. Correspondingly, a set of dynamic cloud service selection algorithms are presented in this paper to implement our mechanism. The results of the simulation experiments show that our strategy has better overall performance and efficiency in acquiring high quality service solutions at a lower computing cost than existing relevant approaches.
Keywords:
Dynamic cloud service selection Cloud service broker Adaptive learning mechanism
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه سرویس ابری